Aprendizaje Automático Avanzado

Créditos
6
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS
El objetivo del aprendizaje automático es el desarrollo de teorías, técnicas y algoritmos que permitan a un sistema modificar su comportamiento mediante datos observacionales que representan información incompleta sobre un proceso o fenómeno natural, sujeto a incertidumbre estadística. El aprendizaje automático es un punto de encuentro entre diferentes disciplinas: estadística multivariante, algoritmos y optimización matemática, entre otras.

El temario revisa algunos fundamentos y profundiza en diversas técnicas modernas de aprendizaje no lineal, desde redes neuronales modernas hasta métodos avanzados de aprendizaje basado en kernel y los últimos avances en métodos de conjunto. También busca proporcionar una visión unificada del área y sus posibles perspectivas futuras.

Profesorado

Responsable

Otros

Horas semanales

Teoría
3.2
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
7.38

Competencias

Competencias Transversales

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

    • Lengua extranjera

  • CT5 - Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

    • Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB10 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

    • Competencias Técnicas Genéricas

    Genéricas

  • CG2 - Identificar y aplicar métodos de análisis, extracción de conocimiento y visualización de datos recogidos en formatos muy diversos.

    • Competencias Técnicas

    Específicas

  • CE3 - Aplicar métodos de integración de datos para dar solución a problemas de ciencia de datos en entornos heterogéneos
  • CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
  • CE8 - Extraer información de datos estructurados y no estructurados, teniendo en cuenta la naturaleza multivariante de los mismos.
  • CE9 - Aplicar métodos adecuados para el análisis de otro tipo de formatos, tales como procesos y grafos, dentro del ámbito de ciencia de datos
  • CE10 - Identificar los métodos de aprendizaje automático y modelización estadística a utilizar para resolver un problema específico de ciencia de datos y aplicarlos de forma rigurosa
  • CE11 - Analizar y extraer conocimiento de información no estructurada mediante técnicas de procesamiento de lenguaje natural, minería de textos e imágenes

    • Objetivos

    1. Métodos avanzados de aprendizaje automático
      Competencias relacionadas: CB10, CB6, CT4, CT5, CE10, CE8, CE9,
    2. Estadística bayesiana
      Competencias relacionadas: CB7, CT4, CT5, CE10, CE5, CE8,
    3. Optimización de redes neuronales y máquinas de vectores soporte
      Competencias relacionadas: CB10, CB6, CB7, CT4, CT5, CE10, CE11, CE3, CE5, CE8, CE9, CG2,
    4. Modelos lineales y modelos lineales generalizados de regresión no paramétricos
      Competencias relacionadas: CB10, CT5, CE10, CE5,
    5. Limpieza de datos
      Competencias relacionadas: CB6, CT4, CE11, CE3, CE8, CE9, CG2,

    Contenidos

    1. Theoretical refresher of machine learning. Introduction to Bayesian machine learning.
      Introduction to Bayesian thinking for machine learning. Learning by solving a regularized problem. Illustrative example.
    2. Learning in functional spaces
      Reproducing kernel Hilbert spaces. The representer theorem. Example 1: Kernel ridge regression. Example 2: The Perceptron and the kernel Perceptron.
    3. Fundamental kernel functions in R^d.
      Description and demonstration of fundamental kernel functions in R^d. Polynomial and Gaussian kernels. General properties of kernel functions.
    4. The support vector machine for classification, regression and novelty detection
      The support vector machine (SVM) is the flagship in kernel methods. Its versions for classification, regression and novelty detection are fully explained and demonstrated.
    5. Kernel functions for diferent data types
      Some kernel functions for different data types are presented and demonstrated, such as text, trees, graphs, categorical variables, and many others.
    6. Other kernel-based learning algorithms
      Additional kernel-based learning methods are explained, such as kernel PCA and kernel FDA. These are illustrated in several application examples.
    7. Introduction to deep neural networks. Autoencoders and Variational Autoencoders.
      Introduction to deep neural networks: reminder of fundamental neural network theory and optimization, qualitative description, loss functions, activation functions, regularization and best practices.
      Autoencoders and Variational Autoencoders.
    8. Special networks: (New) Hopfield neural networks and KANs
      Special networks: (New) Hopfield neural networks and KANs.
    9. Ensemble methods: baggers, boosters and stackers
      This activity cover the basic and modern developments in ensemble methods, including baggers, boosters and stackers.
    10. Advanced and hybrid techniques in deep networks and kernel methods
      Other methods are briefly introduced, such as the RVM and GPs. Nyström acceleration and Random Fourier features. Deep kernel learning and maybe others.

    Actividades

    Actividad Acto evaluativo




    Final exam


    Objetivos: 1 2 4 3 5
    Semana: 17
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h


    Metodología docente

    El curso profundiza en los paradigmas de aprendizaje automático más importantes con una base sólida en probabilidad, estadística y matemáticas. La teoría se introduce en clases magistrales donde el profesor expone los conceptos. Estos conceptos se ponen en práctica en las clases de laboratorio, en las que el alumno aprende a desarrollar soluciones de aprendizaje automático a problemas reales de cierta complejidad.

    Los estudiantes tienen que trabajar y entregar un proyecto al final del curso.

    Método de evaluación

    La asignatura se califica de la siguiente manera:

    F = Nota del examen final
    P1, P2, P3 = Nota de los trabajos prácticos (1, 2 y 3)

    Nota final = 25% F + 25% P1 + 25% P2 + 25% P3

    Bibliografía

    Básico

    Capacidades previas

    Machine Learning course